CN116433269B

CN116433269B - 基于大数据的片区式无人驾驶车辆停车场收费方法及装置

Info

Publication number: CN116433269B
Application number: CN202310694629.XA
Authority: CN
Inventors: 骆勇; 张诗波; 钟艳; 邱子桐; 余思; 方晓丽; 骆瑞希; 夏戈泉
Original assignee: Sichuan Vocational and Technical College Communications
Current assignee: Sichuan Vocational and Technical College Communications
Priority date: 2023-06-13
Filing date: 2023-06-13
Publication date: 2023-08-18
Anticipated expiration: 2043-06-13
Also published as: CN116433269A

Abstract

本发明提供了一种基于大数据的片区式无人驾驶车辆停车场收费方法及装置，涉及无人驾驶车辆技术领域，包括获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息；根据游览意向、历史游览数据和停车场位置信息，进行路径规划处理得到旅客的旅行方案集合；根据逗留时间段、停车场历史数据和预设的停车预测数学模型，得到每个景点的停车场的预测数据；根据预测数据对当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准。本发明通过动态调整停车收费规则，根据乘客的游览需求和停车场的实际情况，实现停车场的最优利用，从而提高停车场的利用率。

Description

基于大数据的片区式无人驾驶车辆停车场收费方法及装置

技术领域

本发明涉及无人驾驶车辆技术领域，具体而言，涉及一种基于大数据的片区式无人驾驶车辆停车场收费方法及装置。

背景技术

随着旅游业的发展，景区已成为人们休闲和旅游的重要场所。然而，传统的停车场管理方式面临着很多问题，尤其是在景区中，由于停车场分散、容量有限等原因，导致停车难度较大，游客往往需要大量时间来寻找停车位，这对游客的体验造成了不良影响。此外，传统的停车场管理方式缺乏对游客行为的深入了解和分析，无法满足不同游客的需求和要求，导致停车资源的浪费和游客的不满。

为了解决上述问题，现亟需一种基于大数据的片区式无人驾驶车辆停车场收费方法。

发明内容

本发明的目的在于提供一种基于大数据的片区式无人驾驶车辆停车场收费方法及装置，以改善上述问题。为了实现上述目的，本发明采取的技术方案如下：

一方面，本申请提供了一种基于大数据的片区式无人驾驶车辆停车场收费方法，包括：

获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息，所述游览意向包括预期游览时长和游览景点，所述景区停车场信息包括景区内各景点的停车场位置信息、停车场历史数据和当前收费规则；

根据所述游览意向、历史游览数据和所述停车场位置信息，进行路径规划处理得到旅客的旅行方案集合，所述旅行方案集合中包括所有乘客在各个景点停车场的逗留时间段；

根据所述逗留时间段、所述停车场历史数据和预设的停车预测数学模型，得到每个景点的停车场的预测数据，所述预测数据包括各景点停车场在预设时间段内的预期利用率、车流量和停车需求；

根据所述预测数据对所述当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准。

另一方面，本申请还提供了一种基于大数据的片区式无人驾驶车辆停车场收费装置，包括：

获取模块，用于获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息，所述游览意向包括预期游览时长和游览景点，所述景区停车场信息包括景区内各景点的停车场位置信息、停车场历史数据和当前收费规则；

规划模块，用于根据所述游览意向、历史游览数据和所述停车场位置信息，进行路径规划处理得到旅客的旅行方案集合，所述旅行方案集合中包括所有乘客在各个景点停车场的逗留时间段；

预测模块，用于根据所述逗留时间段、所述停车场历史数据和预设的停车预测数学模型，得到每个景点的停车场的预测数据，所述预测数据包括各景点停车场在预设时间段内的预期利用率、车流量和停车需求；

调整模块，用于根据所述预测数据对所述当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准。

本发明的有益效果为：

本发明通过动态调整停车收费规则，根据乘客的游览需求和停车场的实际情况，实现停车场的最优利用，从而提高停车场的利用率；通过对乘客的游览需求进行深度分析和处理，得出每个乘客在各个景点停车场的逗留时间段，从而实现旅行方案的优化和个性化，提高旅游体验和效率。

本发明的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明实施例了解。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。

图1为本发明实施例中所述的基于大数据的片区式无人驾驶车辆停车场收费方法流程示意图;

图2为本发明实施例中所述的基于大数据的片区式无人驾驶车辆停车场收费装置结构示意图。

图中标记：1、获取模块；2、规划模块；21、第一分析单元；211、第一转换单元；212、第一模拟单元；2121、第二转换单元；2122、第一分解单元；2123、第一计算单元；2124、第一规划单元；2125、第二整合单元；213、第一训练单元；214、第一评分单元；215、第一筛选单元；22、第二分析单元；23、第一分配单元；24、第一处理单元；25、第一整合单元；3、预测模块；31、第二处理单元；32、第三分析单元；33、第一预测单元；34、第四分析单元；35、第二计算单元；4、调整模块；41、第三处理单元；42、第四处理单元；43、第五处理单元；44、第三计算单元。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。同时，在本发明的描述中，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。

实施例1：

本实施例提供了一种基于大数据的片区式无人驾驶车辆停车场收费方法。

参见图1，图中示出了本方法包括步骤S100、步骤S200、步骤S300和步骤S400。

步骤S100、获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息，游览意向包括预期游览时长和游览景点，景区停车场信息包括景区内各景点的停车场位置信息、停车场历史数据和当前收费规则。

可以理解的是，本步骤通过获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息，可以更好地了解游客的出行意愿和习惯，进而为接下来的旅游规划和安排提供更有针对性的建议。具体来说，游览意向包括预期游览时长和游览景点，可用于推荐最佳游览路线、景点顺序等；景区停车场信息包括景区内各景点的停车场位置信息、停车场历史数据和当前收费规则，可用于为游客提供更便捷的停车体验，同时也可以优化景区内的交通状况。

步骤S200、根据游览意向、历史游览数据和停车场位置信息，进行路径规划处理得到旅客的旅行方案集合，旅行方案集合中包括所有乘客在各个景点停车场的逗留时间段。

可以理解的是，本步骤中根据乘客的游览意向和历史游览数据，预测每个乘客在每个景点的停留时间。然后，结合停车场位置信息和当前收费规则，对每个乘客的停车路线进行路径规划，使得所有乘客的停车时间最小化，并且遵守景区的停车规则，从而最大化游客的游览体验。需要说明的是，步骤S200包括步骤S210、步骤S220、步骤S230、步骤S240和步骤S250。

步骤S210、基于预设的深度学习算法历史游览数据、游览意向进行需求分析处理得到每个乘客的游览需求。

可以理解的是，本步骤，通过预设的深度学习算法对乘客的游览需求进行分析处理的过程。通过分析每个乘客的游览需求，可以为其提供更加贴合个性化需求的旅游服务。需要说明的是，步骤S210包括步骤S211、步骤S212、步骤S213、步骤S214和步骤S215。

步骤S211、将游览意向中的预期游览时长和游览景点进行数据转换处理，得到游览有向图，游览有向图包括节点和边，节点表示游览景点，边表示景点间的行进路径。

可以理解的是，本步骤，游览有向图中节点包括景点的名称、位置、类型等属性信息，而边则包括起点、终点、路径长度、路径时间等属性信息。生成的游览有向图能够直观地展示游客所选择的景点之间的联系以及游览路径，方便后续路径规划和优化。

步骤S212、根据预设的动态场景构建数学模型对有向图进行动态模拟处理，得到游览模拟场景集合。

可以理解的是，在旅游景区中，游客数量的多少、游览路线的不同、景点的拥挤程度、天气状况等因素都可能对游客的游览体验产生重要影响。通过模拟这些因素的变化，可以得到不同的游览模拟场景，进而为旅行方案提供更加科学、合理的参考。需要说明的是，步骤S212包括步骤S2121、步骤S2122、步骤S2123、步骤S2124和步骤S2125。

步骤S2121、将游览有向图进行邻接矩阵转换，得到各景点间的关联关系矩阵。

可以理解的是，邻接矩阵是一种表示图的方法，通过使用矩阵来描述图中节点之间的关联关系。本步骤将游览有向图转换为邻接矩阵，得到各景点间的关联关系矩阵，该矩阵中的元素表示相邻节点之间的边的权重或者关联关系的强度。这些关联关系和权重可以用来计算乘客在不同景点之间的行进距离和时间，以及不同景点之间的游览景点推荐。

步骤S2122、将关联关系矩阵进行矩阵分解处理，得到各景点间的潜在特征向量。

可以理解的是，矩阵分解是一种线性代数的运算，将一个矩阵分解为多个子矩阵相乘的形式，从而得到每个子矩阵的特征向量和特征值。在本步骤中，通过对关联关系矩阵进行矩阵分解处理，可以得到各景点间的潜在特征向量，即各景点的特征表示，用于反映景点间的相似度和联系程度。通过矩阵分解得到各景点的潜在特征向量，能够有效地描述景点间的相似度和联系程度，为后续的游览规划提供基础数据支持，提高游览效率和满意度。

步骤S2123、对所有潜在特征向量进行相似度计算，得到景点间的相似度矩阵。

可以理解的是，本步骤，通过对潜在特征向量进行计算，可以获得各景点之间的相似性程度，从而建立景点之间的相似性矩阵。优选地相似度计算可以采用多种方法，如欧几里得距离、余弦相似度等。通过相似度计算，可以找到与某个景点最相似的景点，进而提供更多游览选择。

步骤S2124、将相似度矩阵进行动态规划处理，得到最优化游览路径组合。

可以理解的是，动态规划的基本思想是将问题分解为一系列子问题，然后逐个解决子问题，最终得到问题的最优解。优选地，在本步骤中使用的是基于状态的动态规划算法。从起点开始，以每个景点作为当前状态，根据相似度矩阵计算出从当前景点到其他景点的最优路径和对应的最小代价，并记录下来。然后，以每个记录的终点为当前状态，再次计算最优路径和最小代价。通过不断更新最优路径和最小代价，最终得到从起点到终点的最优游览路径组合。计算过程如下：

设P(i,S)表示以景点i为终点，路径经过的景点集合为S的最小代价，其中j为起点，S不包括起点j。则最终的最优路径代价为；其中n表示总的景点数量，w_{ij}表示景点i到景点j的相似度。在计算P(i,S)的时候，需要遍历S中所有不包括i的景点k，计算出P(k,S-{i})+w_{ki}，并选取其中的最小值，即：

;

其中，S表示当前路径经过的景点集合，S-{i}表示去掉终点i后的景点集合。最终，通过不断地更新P(i,S)，得到从起点到终点的最优游览路径组合。

步骤S2125、根据最优化游览路径组合进行结果整合和矩阵变换处理，得到游览模拟场景集合。

可以理解的是，本步骤，将不同的最优化游览路径组合进行组合，得到覆盖多个景点的游览方案。然后，系统会将这些游览方案进行矩阵变换处理，得到游览模拟场景集合，每个场景包含不同的游览路线和景点集合。这些游览模拟场景集合能够模拟出乘客所有的游览情况。

步骤S213、根据预设的循环神经网络数学模型对历史游览数据进行训练处理，得到每个乘客的游览行为模式。

可以理解的是，循环神经网络是一种能够处理序列数据的神经网络，能够保留历史信息，从而更好地理解序列数据中的关系和规律。在本步骤中将乘客历史游览数据作为输入，通过循环神经网络进行训练，得到每个乘客的游览行为模式，例如乘客游览的偏好、时间分布、景点类型偏好等。通过循环神经网络的训练，可以更加准确地了解每个乘客的游览偏好和行为模式，从而更好地为乘客提供个性化的游览方案和建议，提高了旅游行业的服务水平和客户满意度。

步骤S214、根据游览行为模式和游览模拟场景集合进行评分处理，得到每个模拟场景的评分结果。

优选地，本步骤中的评分方法采用基于多标准决策的层次分析法（AHP）来实现。该方法通过构建层次结构，对不同因素进行比较和权重分配，从而得到各个因素的相对重要性，并根据这些重要性对不同场景进行打分。在本实施例中，将游客对旅游场景的兴趣度、可达性、安全性等因素作为评价因素，通过AHP方法计算各个因素的权重，最终得到每个场景的评分结果。

步骤S215、将所有评分结果进行整合和筛选处理，得到每个乘客的游览需求。

可以理解的是，本步骤，对所有游客的评分结果进行聚合，去除评分较低的模拟场景，筛选出得分较高的模拟场景，然后根据各个乘客的评分结果，推荐适合他们的游览方案。

步骤S220、根据游览需求、停车场位置信息和预设的图论数学模型进行路径规划分析，得到每个乘客的景点访问顺序。

优选地，在本实施例中，将每个景点作为一个节点，并将停车场作为一个特殊节点，然后根据两两节点间的距离（或者路径长度）作为边的权重，构建一张加权连通图。在这张图中，每个节点都代表一个景点，每个边都代表从一个景点到另一个景点的路径，其权重表示路径长度。然后使用普里姆算法求解最小生成树以得到游客游览景点的最优顺序，通过设定起点和特殊节点（停车场）的位置来考虑游客的游览需求和停车场的位置信息。对于起点，可以选择距离停车场最近的景点作为起点，这样可以减少游客的步行距离和时间；对于停车场，可以将其作为一个特殊节点，添加到最小生成树的起点或终点位置。这样可以确保游客在游览完所有景点后，最终回到停车场；此外，考虑游客的游览需求中优先游览热门景点或者景点之间的相邻程度，以此来调整构建图的过程，从而得到更符合游客需求的最优顺序。例如，在构建加权连通图时，可以根据景点之间的距离或相邻程度来调整边的权重，以此来影响最终的最小生成树结果。

步骤S230、对景点访问顺序进行时间分配处理，得到每个乘客的预期停车时长。

可以理解的是，本步骤中根据上一步骤中求解出的游览顺序以及景点的停留时间，对每个乘客的预期停车时长进行分配处理。这样可以确保每个乘客在停车场的时间得到合理分配，同时还能够避免某些乘客停留时间过长或过短的情况，从而提高整个游览过程的流畅性和乘客的满意度。计算过程如下：

首先，计算每个游客到达每个景点的时间：

;

其中，t_ij表示到达第j个景点的时间；a_i表示第i个景点的到达时间；w_ij表示从第i个景点到第j个景点需要花费的时间；

接着定义一个变量x_ijk，表示游客k在第i个景点停留的时间：

;

其中，t_ij表示从第i个景点到达第j个景点的时间，t_i表示在第i个景点的停留时间，t_k表示游客k在停车场等待的时间。此外，为了保证停车场的容量不超过限制，加上以下限制条件：

;

其中，K表示游客的数量；c_i表示第i个景点的停车场容量；n_i表示第i个景点的停车场当前停车数量。

最后，定义一个目标函数，表示最小化所有游客的等待时间：

；

其中，N表示景点的数量；i，j，k分别表示景点名称；K表示游客的数量；k表示游客的名称；x_ijk表示游客k在第i个景点停留的时间。通过最小化这个目标函数，可以得到一种合理的停车场分配方案，从而提高游客的游览体验。

步骤S240、根据预期停车时长和停车场位置信息，利用遗传算法进行路径规划处理，得到每个乘客在各个景点停车场的逗留时间段。

优选地，本步骤将每个游客在每个景点的停车时间段表示为一个基因组，然后使用遗传算法进行优化。优化的目标是最小化所有游客的等待时间，同时满足停车场的容量限制和游客在每个景点的停留时间要求。在遗传算法的每一代中，通过交叉和变异等操作产生新的基因组，再根据适应度函数对它们进行评估，最终选取适应度最高的一部分基因组进行下一代的迭代。通过多次迭代，可以得到每个游客在各个景点停车场的最优停留时间段，从而保证游客的游览体验和停车场的利用效率。

步骤S250、将所有逗留时间段进行整合处理，得到旅客的旅行方案集合。

可以理解的是，本步骤，将所有逗留时间段进行整合处理，从而得到旅客的旅行方案集合。这个步骤的目的是为了确定每个乘客在每个景点的停留时间，从而制定出一份全面的旅行计划。

步骤S300、根据逗留时间段、停车场历史数据和预设的停车预测数学模型，得到每个景点的停车场的预测数据，预测数据包括各景点停车场在预设时间段内的预期利用率、车流量和停车需求。

可以理解的是，预测数据用来确定每个停车场在特定时间段内的车辆流量和停车需求，从而可以预测未来的停车场利用率。需要说明的是，步骤S300包括步骤S310、步骤S320、步骤S330、步骤S340和步骤S350。

步骤S310、将逗留时间段和停车场历史数据进行归一化处理得到停车场历史数据。

可以理解的是，归一化处理是将不同特征值之间的比较转化为同一尺度下的比较，使得数据能够更容易地被处理和分析。通过将逗留时间段和停车场历史数据归一化处理，可以消除这些数据之间的尺度和单位差异，使得它们可以放在一起进行比较和分析，进而更精确地预测各景点停车场在预设时间段内的预期利用率、车流量和停车需求。

步骤S320、基于预设的时间序列分析数学模型对停车场历史数据进行趋势分析，得到停车场利用率的趋势向量。

可以理解的是，本步骤中趋势向量反映了停车场在过去一段时间内的利用率变化趋势，可以用来预测未来停车场的利用率情况，从而为后续的停车场收费规则调整提供依据。

步骤S330、根据趋势向量和预设的停车需求数学模型进行停车需求预测，得到各景点停车场的预期停车需求。

优选地，在本步骤中使用时间序列分析中的ARIMA（自回归集成滑动平均）模型。ARIMA是一种常用的时间序列预测算法，它可以使用历史数据来预测未来时间点的数值。ARIMA模型通过分析时间序列的趋势、季节性和随机性来预测未来的值。在本实施例中，ARIMA模型根据历史数据中停车场利用率和车流量的变化情况，预测未来一段时间内的停车场需求量。同时，可以根据场内车位数量，预测未来停车场的利用率和车流量，进而预测停车需求。

步骤S340、根据预期停车需求和停车场位置信息进行车流量分析，得到各景点停车场在预设时间段内的车流量预测数据。

可以理解的是，本步骤通过将停车场位置信息转换为数值特征，并将停车场预期停车需求和车流量作为模型的自变量和因变量，构建一个多元线性回归模型。该模型可以通过训练得到模型参数，然后对新的停车场数据进行预测，从而得到各停车场的车流量预测数据。

步骤S350、根据车流量预测数据和预期停车需求，利用预设的停车预测数学模型进行计算，得到每个景点的停车场的预测数据。

可以理解的是，本步骤中停车预测数学模型的主要目的是计算每个景点停车场的实际可用停车位数，并根据停车场实际可用停车位数和预期停车需求之间的差异，推算出每个景点停车场需要调整的停车位数。通过这一步骤，可以为每个景点提供实际的停车需求和停车场的停车位调整建议，从而实现停车场资源的最优化分配。

步骤S400、根据预测数据对当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准。

可以理解的是，本步骤，根据预测的停车场利用率、停车需求和车流量等数据，计算出每个停车场的最优收费标准，然后将这些数据和计算结果反馈给停车场管理系统进行自动调整处理。需要说明的是，步骤S400包括步骤S410、步骤S420、步骤S430和步骤S440。

步骤S410、对预测数据进行线性回归分析处理得到各个停车场的预期利用率关系。

可以理解的是，线性回归是一种常用的统计方法，可用于建立自变量和因变量之间的线性关系模型。在本实施例中，预测数据包括各景点停车场的预期停车需求和车流量预测数据。根据这些数据，可以通过线性回归建立停车场的利用率与停车需求和车流量之间的关系，以便更好地了解停车场的利用情况和需求情况。此外，还可以通过对预期利用率进行分析，进一步调整停车收费规则，以满足用户的需求和提高停车场的利用效率。

步骤S420、根据预期利用率关系，利用拉格朗日乘数法进行约束优化处理，得到停车场收费调整方案。

可以理解的是，本步骤，利用预期利用率关系构建约束条件，通过求解拉格朗日函数，得到停车场收费调整方案，以实现最优化目标。计算过程如下：

首先定义停车场收费为f(x)，其中x为停车场的收费标准，然后定义利用率为g(x)，即停车场在一定时间内的使用率，根据步骤S410中得到的预期利用率关系，可以将g(x)表示为一组线性方程的形式，即：

；

其中a₁,a₂,...,a_n为预测数据得到的系数，x₁,x₂,...,x_n为各个停车场的收费标准。这是一个带约束的优化问题，然后将其转化为一个无约束的优化问题：

；

其中λ为拉格朗日乘数，U为预设的利用率阈值，由此得到优化问题的目标函数，并利用数值优化方法求解该目标函数的最优解，即可得到停车场收费调整方案。

步骤S430、根据预设的支持向量机数学模型对停车场收费调整方案进行分类处理，得到每个停车场的收费等级。

可以理解的是，根据预测数据得到的停车场收费调整方案不仅仅是简单的数值调整，而是需要进行分类处理，即将每个停车场的收费等级进行划分。这是为了方便游客在不同停车场之间做出选择，同时也能保证停车场的收费标准与其设施服务水平、所处地理位置等因素相符合。在本步骤中，预设的支持向量机数学模型会将停车场收费调整方案进行分类处理，得到每个停车场的收费等级。支持向量机是一种常见的分类算法，通过将数据映射到高维空间，找到一个超平面来分割不同的数据点，从而实现分类。通过训练模型，得到分类器之后，可以将新的数据输入模型，从而得到其所属的分类。通过分类处理停车场收费调整方案，可以让游客更方便地根据自己的需求选择停车场，同时也能保证停车场的收费标准与其设施服务水平、所处地理位置等因素相符合，提高了停车场的利用率和经济效益。

步骤S440、根据每个停车场的收费等级进行加权求平均值计算，得到每个停车场的调整后的收费标准。

可以理解的是，本步骤根据之前的预测数据和优化模型计算得到每个停车场的最优收费调整方案，进而得到每个停车场的最终收费标准。这样可以根据不同停车场的实际情况，合理地进行收费调整，达到平衡各停车场的利用率和收益的目的。

实施例2：

如图2所示，本实施例提供了一种基于大数据的片区式无人驾驶车辆停车场收费装置，装置包括：

获取模块1，用于获取预设时间段内所有无人驾驶车辆乘客的游览意向、历史游览数据和景区停车场信息，游览意向包括预期游览时长和游览景点，景区停车场信息包括景区内各景点的停车场位置信息、停车场历史数据和当前收费规则。

规划模块2，用于根据游览意向、历史游览数据和停车场位置信息，进行路径规划处理得到旅客的旅行方案集合，旅行方案集合中包括所有乘客在各个景点停车场的逗留时间段。

预测模块3，用于根据逗留时间段、停车场历史数据和预设的停车预测数学模型，得到每个景点的停车场的预测数据，预测数据包括各景点停车场在预设时间段内的预期利用率、车流量和停车需求。

调整模块4，用于根据预测数据对当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准。

在本公开的一种具体实施方式中，规划模块2包括：

第一分析单元21，基于预设的深度学习算法历史游览数据、游览意向进行需求分析处理得到每个乘客的游览需求。

第二分析单元22，用于根据游览需求、停车场位置信息和预设的图论数学模型进行路径规划分析，得到每个乘客的景点访问顺序。

第一分配单元23，用于对景点访问顺序进行时间分配处理，得到每个乘客的预期停车时长。

第一处理单元24，用于根据预期停车时长和停车场位置信息，利用遗传算法进行路径规划处理，得到每个乘客在各个景点停车场的逗留时间段。

第一整合单元25，用于将所有逗留时间段进行整合处理，得到旅客的旅行方案集合。

在本公开的一种具体实施方式中，第一分析单元21包括：

第一转换单元211，用于将游览意向中的预期游览时长和游览景点进行数据转换处理，得到游览有向图，游览有向图包括节点和边，节点表示游览景点，边表示景点间的行进路径。

第一模拟单元212，用于根据预设的动态场景构建数学模型对有向图进行动态模拟处理，得到游览模拟场景集合。

第一训练单元213，用于根据预设的循环神经网络数学模型对历史游览数据进行训练处理，得到每个乘客的游览行为模式。

第一评分单元214，用于根据游览行为模式和游览模拟场景集合进行评分处理，得到每个模拟场景的评分结果。

第一筛选单元215，用于将所有评分结果进行整合和筛选处理，得到每个乘客的游览需求。

在本公开的一种具体实施方式中，第一模拟单元212包括：

第二转换单元2121，用于将游览有向图进行邻接矩阵转换，得到各景点间的关联关系矩阵。

第一分解单元2122，用于将关联关系矩阵进行矩阵分解处理，得到各景点间的潜在特征向量。

第一计算单元2123，用于对所有潜在特征向量进行相似度计算，得到景点间的相似度矩阵。

第一规划单元2124，用于将相似度矩阵进行动态规划处理，得到最优化游览路径组合。

第二整合单元2125，用于根据最优化游览路径组合进行结果整合和矩阵变换处理，得到游览模拟场景集合。

在本公开的一种具体实施方式中，预测模块3包括：

第二处理单元31，用于将逗留时间段和停车场历史数据进行归一化处理得到停车场历史数据。

第三分析单元32，用于基于预设的时间序列分析数学模型对停车场历史数据进行趋势分析，得到停车场利用率的趋势向量。

第一预测单元33，用于根据趋势向量和预设的停车需求数学模型进行停车需求预测，得到各景点停车场的预期停车需求。

第四分析单元34，用于根据预期停车需求和停车场位置信息进行车流量分析，得到各景点停车场在预设时间段内的车流量预测数据。

第二计算单元35，用于根据车流量预测数据和预期停车需求，利用预设的停车预测数学模型进行计算，得到每个景点的停车场的预测数据。

在本公开的一种具体实施方式中，调整模块4包括：

第三处理单元41，用于对预测数据进行线性回归分析处理得到各个停车场的预期利用率关系。

第四处理单元42，用于根据预期利用率关系，利用拉格朗日乘数法进行约束优化处理，得到停车场收费调整方案。

第五处理单元43，用于根据预设的支持向量机数学模型对停车场收费调整方案进行分类处理，得到每个停车场的收费等级。

第三计算单元44，用于根据每个停车场的收费等级进行加权求平均值计算，得到每个停车场的调整后的收费标准。

需要说明的是，关于上述实施例中的装置，其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims

1.一种基于大数据的片区式无人驾驶车辆停车场收费方法，其特征在于，包括：

根据所述预测数据对所述当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准；

其中,根据所述游览意向、历史游览数据和所述停车场位置信息，进行路径规划处理得到旅客的旅行方案集合，所述旅行方案集合中包括所有乘客在各个景点停车场的逗留时间段，包括：

基于预设的深度学习算法对所述历史游览数据和所述游览意向进行需求分析处理得到每个乘客的游览需求；

根据所述游览需求、所述停车场位置信息和预设的图论数学模型进行路径规划分析，得到每个乘客的景点访问顺序；

对所述景点访问顺序进行时间分配处理，得到每个乘客的预期停车时长；

根据所述预期停车时长和所述停车场位置信息，利用遗传算法进行路径规划处理，得到每个乘客在各个景点停车场的逗留时间段；

将所有所述逗留时间段进行整合处理，得到旅客的旅行方案集合；

其中,基于预设的深度学习算法对所述历史游览数据和所述游览意向进行需求分析处理得到每个乘客的游览需求，包括：

将所述游览意向中的预期游览时长和游览景点进行数据转换处理，得到游览有向图，所述游览有向图包括节点和边，所述节点表示游览景点，所述边表示景点间的行进路径；

根据预设的动态场景构建数学模型对所述有向图进行动态模拟处理，得到游览模拟场景集合；

根据预设的循环神经网络数学模型对所述历史游览数据进行训练处理，得到每个乘客的游览行为模式；

根据所述游览行为模式和所述游览模拟场景集合进行评分处理，得到每个模拟场景的评分结果；

将所有所述评分结果进行整合和筛选处理，得到每个乘客的游览需求；

其中,根据所述预测数据对所述当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准，包括：

对所述预测数据进行线性回归分析处理得到各个停车场的预期利用率关系；

根据所述预期利用率关系，利用拉格朗日乘数法进行约束优化处理，得到停车场收费调整方案；

根据预设的支持向量机数学模型对所述停车场收费调整方案进行分类处理，得到每个停车场的收费等级；

根据每个停车场的所述收费等级进行加权求平均值计算，得到每个停车场的调整后的收费标准。

2.根据权利要求1所述的基于大数据的片区式无人驾驶车辆停车场收费方法，其特征在于,根据预设的动态场景构建数学模型对所述有向图进行动态模拟处理，得到游览模拟场景集合，包括：

将所述游览有向图进行邻接矩阵转换，得到各景点间的关联关系矩阵；

将所述关联关系矩阵进行矩阵分解处理，得到各景点间的潜在特征向量；

对所有所述潜在特征向量进行相似度计算，得到景点间的相似度矩阵；

将所述相似度矩阵进行动态规划处理，得到最优化游览路径组合；

根据所述最优化游览路径组合进行结果整合和矩阵变换处理，得到游览模拟场景集合。

3.一种基于大数据的片区式无人驾驶车辆停车场收费装置，其特征在于，包括：

调整模块，用于根据所述预测数据对所述当前收费规则进行动态调整处理，得到所有停车场调整后的收费标准；

其中,所述规划模块包括：

第一分析单元，基于预设的深度学习算法对所述历史游览数据和所述游览意向进行需求分析处理得到每个乘客的游览需求；

第二分析单元，用于根据所述游览需求、所述停车场位置信息和预设的图论数学模型进行路径规划分析，得到每个乘客的景点访问顺序；

第一分配单元，用于对所述景点访问顺序进行时间分配处理，得到每个乘客的预期停车时长；

第一处理单元，用于根据所述预期停车时长和所述停车场位置信息，利用遗传算法进行路径规划处理，得到每个乘客在各个景点停车场的逗留时间段；

第一整合单元，用于将所有所述逗留时间段进行整合处理，得到旅客的旅行方案集合；

其中,所述第一分析单元包括：

第一转换单元，用于将所述游览意向中的预期游览时长和游览景点进行数据转换处理，得到游览有向图，所述游览有向图包括节点和边，所述节点表示游览景点，所述边表示景点间的行进路径；

第一模拟单元，用于根据预设的动态场景构建数学模型对所述有向图进行动态模拟处理，得到游览模拟场景集合；

第一训练单元，用于根据预设的循环神经网络数学模型对所述历史游览数据进行训练处理，得到每个乘客的游览行为模式；

第一评分单元，用于根据所述游览行为模式和所述游览模拟场景集合进行评分处理，得到每个模拟场景的评分结果；

第一筛选单元，用于将所有所述评分结果进行整合和筛选处理，得到每个乘客的游览需求；

其中,所述调整模块包括：

第三处理单元，用于对所述预测数据进行线性回归分析处理得到各个停车场的预期利用率关系；

第四处理单元，用于根据所述预期利用率关系，利用拉格朗日乘数法进行约束优化处理，得到停车场收费调整方案；

第五处理单元，用于根据预设的支持向量机数学模型对所述停车场收费调整方案进行分类处理，得到每个停车场的收费等级；

第三计算单元，用于根据每个停车场的所述收费等级进行加权求平均值计算，得到每个停车场的调整后的收费标准。

4.根据权利要求3所述的基于大数据的片区式无人驾驶车辆停车场收费装置，其特征在于,所述第一模拟单元包括：

第二转换单元，用于将所述游览有向图进行邻接矩阵转换，得到各景点间的关联关系矩阵；

第一分解单元，用于将所述关联关系矩阵进行矩阵分解处理，得到各景点间的潜在特征向量；

第一计算单元，用于对所有所述潜在特征向量进行相似度计算，得到景点间的相似度矩阵；

第一规划单元，用于将所述相似度矩阵进行动态规划处理，得到最优化游览路径组合；

第二整合单元，用于根据所述最优化游览路径组合进行结果整合和矩阵变换处理，得到游览模拟场景集合。